简介图像去雾算法是数字图像处理中的经典方向主要用于改善雾霾天气下图像对比度下降、细节模糊与色彩偏灰等问题。PPT内容主要面向数字图像处理与计算机视觉入门者系统梳理了去雾涉及的完整技术链路包括图像的数字化、变换、增强、复原、编码与分割并介绍了MATLAB软件在数值计算、图形处理及工具箱方面的辅助作用帮助初学者理解算法落地的工具环境。资源为单个PPT文件约27.15MB内容以McCarney大气散射模型为物理基础重点展开何凯明博士提出的暗通道先验理论解释透射率与大气光成分的估计思路并通过一个7×7三通道像素示例演示暗通道的邻域计算过程便于读者从数学层面把握去雾步骤。目前已有82人学习浏览适合作为图像去雾入门与备课参考能够快速建立从成像退化模型到暗通道先验实现的知识框架。 最近这段时间我集中整理了图像去雾算法的技术体系做了一份题为“图像去雾算法.pptx”的汇报材料。这份PPT我到现在还留着因为它不是简单罗列几个算法而是把从物理模型到深度学习的完整技术脉络以及不同方案在真实项目里该怎么选型都从头到尾梳理了一遍。对图像增强、计算机视觉方向刚入门的开发者以及需要准备技术分享或算法调研材料的同学来说这套内容能帮你快速建立对去雾领域的整体认知少走不少弯路。我决定把这个主题完整写成一篇文章把思路、原理、实操和避坑经验都展开讲透。内容分五块先讲清楚去雾问题到底难在哪再拆解三条主流技术路线的原理和实现要点然后是效果评估的做法接着分享我做这份PPT时踩过的几个坑最后给出一份可以直接参考的算法选型建议。1. 图像去雾算法到底在解决什么难题1.1 雾天成像为什么会“泛白”雾天拍照或者查看监控画面最直观的感受就是画面像蒙了一层白纱对比度掉得厉害颜色也灰蒙蒙的。本质原因并不是相机镜头脏了而是大气中悬浮的水滴、尘埃、烟尘等微小粒子对光线产生了散射。其中粒子尺度较大时的米氏散射非常明显光子从物体表面反射进入相机的过程中一部分被散射偏离了原方向相机接收到的景物能量就减少了与此同时太阳光、天空光被大气散射后形成的“大气光”又叠加到成像光路上。两种效应叠加在一起最终画面就成了白茫茫一片。这种成像损失最直接的影响是细节纹理和颜色饱和度大幅下降。对监控系统来说雾天里的车牌、人脸关键特征很难辨认对自动驾驶感知来说目标检测的置信度会显著降低对航拍遥感来说地物边界模糊直接影响后续分析。所以图像去雾算法本质上是在解决“非理想大气条件下如何还原真实场景辐射度”的问题。1.2 大气散射模型是去雾问题的地基几乎所有基于物理模型的去雾算法都绕不开大气散射模型公式非常简单I(x) J(x)·t(x) A·(1 - t(x))其中 x 表示像素位置I 是观测到的有雾图像J 是我们要恢复的清晰图像t 是透射率取值范围在0到1之间表示光线能穿过介质到达相机的比例A 是全局大气光强度。当 t(x)1 时表示完全没有雾t(x) 越小说明雾越浓。这个公式里已知量只有 I未知量却有 J、t、A 三个只靠一个方程求解属于高度欠定的反问题。传统去雾方法的核心思路就是利用自然图像的统计规律或场景假设引入额外的“先验信息”把未知量约束住。何恺明提出的暗通道先验本质就是用“自然图像局部区域至少有一个通道的强度极低”这个统计规律去解开大气散射模型的方程。理解了这个模型再去看各类去雾论文思路会清晰很多要么显式估计出 t 和 A 后反解 J要么直接用网络学习 I 到 J 的端到端映射。后者的路径实际上是绕开了显式求解物理参数用数据驱动直接逼近目标。1.3 哪些场景最需要去雾算法整理这份材料时我优先梳理的是应用场景因为不同场景对去雾算法的约束条件差别非常大。安防监控与智慧交通真实场景多为户外固定机位分辨率不高、算力有限对实时性要求高而且环境雾浓度动态变化。自动驾驶与无人机车载摄像头或无人机挂载相机需要在移动中快速处理既追求低延迟又要求高鲁棒性不能因为偶尔的过曝或伪影影响感知。手机摄影与短视频主观观感优先不能出现明显色偏和伪影处理速度要能支撑拍摄预览。遥感图像与卫星影像以单张离线处理为主可以接受较长的计算时间但颜色保真和边缘细节非常重要。不同场景的约束优先级完全不同这个点后面第五部分会有更细致的选型建议。这里先记住一个结论不存在一个“万能算法”所有方案都是针对特定场景做的取舍。2. 三支主流去雾路线原理与实现要点2.1 暗通道先验最经典的基于物理先验方法暗通道先验是传统去雾方法里最著名、也最容易讲清楚的一条路线。先解释它的原理对于无雾的清晰自然图像在绝大多数局部小区域内总存在至少一个颜色通道的取值非常低甚至接近0。例如彩色物体的阴影、绿色植被、深色路面等都满足这个统计规律。而有雾图像中大气光的散射会显著抬高这些暗像素的数值让整幅图的暗通道值变大。于是通过观测图像的暗通道强度就能反推雾的浓度。具体实现分四步。第一步对每个像素取RGB三通道的最小值再做局部最小值滤波得到暗通道图。第二步估计大气光 A取暗通道中亮度排名前0.1%的像素将这些位置对应到原始有雾图像中取最大值作为 A。第三步计算透射率公式是 t(x) 1 - ω·min_c(min_y(I(y)/A))其中 ω 是保留少量雾感的系数一般取0.9到0.95目的是避免完全去雾后画面整体偏暗、显得很“假”。第四步用导向滤波细化透射率图避免粗糙透射率带来的光晕最后按下式恢复清晰图像J (I - A) / max(t, t0) A。这套流程我当年用Python完整跑过核心代码量不大OpenCV加NumPy就能实现。实测中最直观的问题有两类一是天空区域或白色高亮区域严重违背暗通道先验恢复后会出现明显色斑二是透射率估计太粗糙时物体边缘会有大片光晕。解决办法主要有两个方向一个是做透射率细化比如用导向滤波、加权最小二乘平滑另一个是加入天空区域检测对天空部分单独处理。这些坑和参数敏感点在PPT里我用对比图直接标注出来比纯文字说明直观得多。2.2 深度学习去雾从AOD-Net到FFA-Net如果不想把时间花在精细调参上深度学习路线是当前更主流的选择。我把常见网络分为“显式使用大气散射模型”和“隐式使用大气散射模型”两类。显式建模的代表是DehazeNet和MSCNN。DehazeNet用多尺度卷积提取特征网络输出的是透射率图再结合大气散射模型恢复清晰图像。这种做法保留了物理模型的解释性但中间透射率估计的误差会直接影响最终重建质量。隐式建模的代表是AOD-Net它在工程化场景里非常受欢迎。AOD-Net的思路值得多讲两句它不单独估计透射率和大气光而是把大气散射模型重新整理将透射率和大气光合并成一个中间变量 K(x)让网络直接回归 K(x)再通过一个公式生成去雾结果。因为 K(x) 的估计和图像重建放在同一个网络里联合优化整个模型很紧凑推理速度快非常适合部署在实时视频处理环境。追求更高质量时可以看带注意力机制的FA-Net、GCANet。FFA-Net引入了特征注意力机制对不同区域、不同通道自适应赋予不同权重在浓雾区域的表现明显优于普通的均匀卷积网络。我做实验的感受是深度学习去雾的效果非常依赖训练数据分布用公开数据集RESIDE训练的模型放到真实雾天场景会有一定程度的域偏移画面亮度偏灰或颜色偏暗是常态。因此真实落地时最好用目标场景的少量真实样本对模型做微调否则上线效果会打折扣。2.3 图像增强路线直方图均衡与Retinex第三条路线不基于物理模型而是直接把有雾图像看成普通的低对比度图像来处理。最简单的做法是全局直方图均衡化把灰度分布拉伸到整个范围画面对比度会有明显提升。效果看起来立竿见影但很容易过度增强产生伪轮廓、噪声放大等问题。更常用的是CLAHE也就是限制对比度的自适应直方图均衡。它会将图像划分成小块分别做直方图均衡同时限制对比度的放大倍率能够在增强细节的同时抑制噪声。CLAHE实现简单、速度很快非常适合嵌入式平台。Retinex理论也常被归到这一类核心思想是人眼感知的亮度取决于物体的反射率如果能估计出环境光照分量并把它从图像中分离就能还原物体本来的颜色和细节。单尺度Retinex原理直观多尺度RetinexMSR效果更好但容易出现光晕和色彩偏移通常需要配合色彩恢复MSRCR。这条路线在雾不太浓、纹理较丰富的场景下效果并不差。优势是速度快、实现简单、没有训练成本。但它对浓雾和复杂光源场景的建模能力不足经常出现过曝、细节丢失或颜色不自然的问题。2.4 三种路线横向对比我在PPT里放了一张三路线对比表对快速建立认知和做技术决策都有帮助方法类别代表算法核心原理优点缺点适用场景物理先验暗通道先验基于暗通道统计先验反推透射率和大气光理论清晰无需训练一定泛化能力天空和白色区域易失真边缘光晕参数敏感户外单图离线处理对物理特性有要求的任务深度模型AOD-Net、FFA-Net数据驱动端到端学习有雾到无雾的映射效果好能适应复杂雾况模型可轻量化依赖训练数据存在域偏移需要算力支持实时视频、移动端、自动驾驶感知图像增强CLAHE、MSRCR提升对比度分离光照与反射分量速度快实现简单无需训练浓雾下效果有限容易过曝和色偏轻量级嵌入式设备、实时性优先场景这张表不仅在准备材料时帮我理清了思路也在和算法岗、产品岗同事沟通时提供了统一的对比框架。3. 效果评估与演示材料制作的实操细节3.1 主观评测怎么评才客观很多同学在做算法对比时只看客观数字但图像去雾非常特殊客观指标提升并不代表视觉观感一定好。我在做算法评估时一定会组织主观评测而且评测方式有讲究。第一必须并排展示原图、待评估去雾图、参考清晰图如果数据集中有让评价者能够同时对比避免记忆偏差。第二重点看四个维度雾是否去除干净、颜色是否自然、边缘纹理是否保留、有没有光晕或伪影。第三评价人员最好包含算法工程师和非技术背景的同事后者往往更关注“整张图好不好看”这在实际项目里反而更接近用户的主观体验。3.2 客观指标的计算与取值客观指标一般用PSNR和SSIM。合成雾图有对应的清晰参考图时这两个指标都能直接计算。PSNR基于像素均方误差计算数值越高越好通常去雾结果在20dB以上算是基本可用SSIM衡量图像结构相似性越接近1越好。这里提醒一句有些增强类方法为了刷高分会把画面拉得很亮、对比度拉得很高PSNR确实好看但观感非常假。所以客观指标只能作为参考不能替代人工判断。对于没有参考图的真实雾天图片可以用无参考图像质量评价指标辅助比如NIQE。NIQE数值越小说明图像质量越好但它的统计特征对“是否去雾”并不敏感。在我的测试中NIQE适合用来排除明显较差的方案不能单独作为算法排名的依据。所以我在PPT里更强调“同一批雾图、同一批评价人”的横向对比这样得出的结论误差最小。3.3 用对比图和数据表呈现结论做PPT时我会把每个算法在同一批测试集上的平均PSNR、SSIM做成一个小表同时附上典型图像的对比。数据表不需要太多列四列就够算法、PSNR、SSIM、主观评价备注。留太多列投影时不方便阅读。对比图的版式也很有讲究。原图、去雾图、细节裁剪图建议按“行”排列而不是按“列”排列。因为在宽屏演示场景下横向排列能把同一物体的不同算法结果放在同一视觉水平线附近对比非常直观。局部对比一定要用红框圈出相同区域旁边再放放大图这比把整幅图缩小了硬拼在一起更有说服力。另外对比图不要压缩得太小单图至少保留960像素宽否则投影出来细节根本看不清。4. 做汇报PPT时踩过的几个坑4.1 “发现pptx中有不可读取的内容”怎么修复做这份“图像去雾算法.pptx”时我遇到过一件特别烦心的事文件在自己的电脑上打开正常发到同事那边后弹窗提示“powerpoint发现pptx中有不可读取的内容”。这个提示通常表示pptx文件内部的XML结构出了小问题常见原因有旧版Office编辑后被新版软件改动、第三方插件或外部模板参与编辑、程序异常关闭导致文件损坏。遇到这个提示我的处理顺序是这样的。第一步先用Office自带的“打开并修复”功能打开一次很多小文件结构问题能自动修好。第二步如果修复失败采用手动修复把pptx文件复制一份后缀改成zip解压后用文本编辑器打开ppt/slides/目录下的相关XML查找结构异常或明显不合法的标签。有问题的内容大多集中在某个slideN.xml或嵌入对象里查删除掉报错信息指向的那部分文件后重新压缩、改回后缀名可以用正常方式打开。第三步如果文件本身关联了外部图表或嵌入对象尝试将这些对象删掉再保存。从那以后我养成了重要材料每次保存一个历史版本的习惯这个习惯帮我避免了不止一次大返工。4.2 知道密码但想解除保护的操作关于“pptx密码解除”这个关键词我也经常碰到同事拿着加密文件来问。如果自己知道密码只是嫌每次打开都要输入麻烦操作其实很简单用密码打开文件进入“文件—信息—保护演示文稿—用密码进行加密”把密码框里的内容清空再保存一次密码就解除了。需要留意的是一定要另存为一个新文件再对比确认我见过有人直接覆盖保存后把原文件格式弄乱的例子。如果完全忘了密码没有正规的一键清除方法。我能给的建议是先翻翻本地历史版本、团队共享目录、邮件附件这些地方往往有未加密备份。确实找不到再考虑专业的Office密码恢复工具。这类工具必须在授权合法范围内使用用途务必正当不建议随便折腾。这也是我会在团队里反复提醒的一句话含敏感信息的材料不要只靠文件密码做保护应该从源头控制分发范围和权限。4.3 动画、字体、图片压缩的经验PPT里最容易翻车的三类细节我也简单提一下。动画效果尽量少控制在两三种以内比如“淡入”和“擦除”不要每个元素都闪一下。去雾对比图的展示用“淡入切换”的方式最合适让原图和结果图在新页面上以并列方式呈现而不是在一页里叠一大堆图层。字体方面如果要到别人电脑上演示中文字体尽量用微软雅黑或等线这类系统自带宽字体嵌入字体会显著增加文件体积又容易出现兼容问题。图片必须压缩PPT自带的“图片压缩”功能可以把对比图降到150dpi以内保证整个PPT文件体积可控避免文件太大打不开、传不动。5. 选型建议真实场景里怎么选去雾算法5.1 实时视频监控场景如果是海思平台或嵌入式盒子这类算力有限的设备建议优先试CLAHE再考虑AOD-Net的轻量版本。CLAHE在CPU上能轻松做到1080p实时处理虽然去雾力度有限但胜在稳定、无训练成本。AOD-Net模型小部署到NPU上也不难不过要注意最好用真实监控场景的截图做少量微调再上线使用否则生成的图像容易整体发灰。这个流程我在两个项目里验证过核心思路就是“先定速度上限再在不超过上限的预算内改善质量”。5.2 手机拍照与自动驾驶感知手机摄影追求的是“一眼看上去舒服”建议用成熟的深度学习模型并在后处理阶段加一个简单的颜色校正。因为拍摄场景的光线变化太剧烈暗通道先验在天空或白色建筑区域很容易翻车不如让训练好的网络统一处理全部画面。自动驾驶感知则更特殊。去雾只是前置处理后面还跟着目标检测、语义分割等模型所以必须评估去雾对下游任务指标的实际增益而不是只看PSNR。如果去雾模块让整体推理速度明显变慢就算画质提升也未必划算。这时候可以考虑“选择性去雾”比如对置信度低于阈值的帧才触发去雾处理在整体延迟上通常更友好。5.3 一张决策表收尾我在PPT最后放了一张决策表适合作为团队讨论的起点约束条件推荐方案不推荐方案无GPU、实时性优先CLAHE、简化版暗通道FFA-Net等大模型有GPU、效果优先AOD-Net或FFA-Net微调纯直方图均衡单张离线处理无训练数据暗通道先验导向滤波依赖大量训练数据的模型这张表的意义在于把开放问题变成选项题让团队在项目启动阶段就能快速对齐方向。当然最终效果必须用实际场景数据验证任何算法在没有自己数据支撑的情况下都只能作为候选方案。关于去雾算法的分享讲到这儿我个人最大的体会是别迷信任何单一算法也别只看公开数据集上的数字。真实场景里的雾浓度、光照条件、传感器特性千差万别重要的是理解每种方法背后的物理假设知道它们在什么情况下会失效然后带着自己的数据去验证。图像去雾这个领域方法论迭代很快设备算力也在变强但“模型与场景数据的适配”这件事始终是落地的主线。本文还有配套的精品资源点击获取 
长河君 · 2026/9/7 23:18:24 · 阅读 1.2k 图像去雾算法全解析：从大气散射模型到深度学习实战
简介图像去雾算法是数字图像处理中的经典方向主要用于改善雾霾天气下图像对比度下降、细节模糊与色彩偏灰等问题。PPT内容主要面向数字图像处理与计算机视觉入门者系统梳理了去雾涉及的完整技术链路包括图像的数字化、变换、增强、复原、编码与分割并介绍了MATLAB软件在数值计算、图形处理及工具箱方面的辅助作用帮助初学者理解算法落地的工具环境。资源为单个PPT文件约27.15MB内容以McCarney大气散射模型为物理基础重点展开何凯明博士提出的暗通道先验理论解释透射率与大气光成分的估计思路并通过一个7×7三通道像素示例演示暗通道的邻域计算过程便于读者从数学层面把握去雾步骤。目前已有82人学习浏览适合作为图像去雾入门与备课参考能够快速建立从成像退化模型到暗通道先验实现的知识框架。 最近这段时间我集中整理了图像去雾算法的技术体系做了一份题为“图像去雾算法.pptx”的汇报材料。这份PPT我到现在还留着因为它不是简单罗列几个算法而是把从物理模型到深度学习的完整技术脉络以及不同方案在真实项目里该怎么选型都从头到尾梳理了一遍。对图像增强、计算机视觉方向刚入门的开发者以及需要准备技术分享或算法调研材料的同学来说这套内容能帮你快速建立对去雾领域的整体认知少走不少弯路。我决定把这个主题完整写成一篇文章把思路、原理、实操和避坑经验都展开讲透。内容分五块先讲清楚去雾问题到底难在哪再拆解三条主流技术路线的原理和实现要点然后是效果评估的做法接着分享我做这份PPT时踩过的几个坑最后给出一份可以直接参考的算法选型建议。1. 图像去雾算法到底在解决什么难题1.1 雾天成像为什么会“泛白”雾天拍照或者查看监控画面最直观的感受就是画面像蒙了一层白纱对比度掉得厉害颜色也灰蒙蒙的。本质原因并不是相机镜头脏了而是大气中悬浮的水滴、尘埃、烟尘等微小粒子对光线产生了散射。其中粒子尺度较大时的米氏散射非常明显光子从物体表面反射进入相机的过程中一部分被散射偏离了原方向相机接收到的景物能量就减少了与此同时太阳光、天空光被大气散射后形成的“大气光”又叠加到成像光路上。两种效应叠加在一起最终画面就成了白茫茫一片。这种成像损失最直接的影响是细节纹理和颜色饱和度大幅下降。对监控系统来说雾天里的车牌、人脸关键特征很难辨认对自动驾驶感知来说目标检测的置信度会显著降低对航拍遥感来说地物边界模糊直接影响后续分析。所以图像去雾算法本质上是在解决“非理想大气条件下如何还原真实场景辐射度”的问题。1.2 大气散射模型是去雾问题的地基几乎所有基于物理模型的去雾算法都绕不开大气散射模型公式非常简单I(x) J(x)·t(x) A·(1 - t(x))其中 x 表示像素位置I 是观测到的有雾图像J 是我们要恢复的清晰图像t 是透射率取值范围在0到1之间表示光线能穿过介质到达相机的比例A 是全局大气光强度。当 t(x)1 时表示完全没有雾t(x) 越小说明雾越浓。这个公式里已知量只有 I未知量却有 J、t、A 三个只靠一个方程求解属于高度欠定的反问题。传统去雾方法的核心思路就是利用自然图像的统计规律或场景假设引入额外的“先验信息”把未知量约束住。何恺明提出的暗通道先验本质就是用“自然图像局部区域至少有一个通道的强度极低”这个统计规律去解开大气散射模型的方程。理解了这个模型再去看各类去雾论文思路会清晰很多要么显式估计出 t 和 A 后反解 J要么直接用网络学习 I 到 J 的端到端映射。后者的路径实际上是绕开了显式求解物理参数用数据驱动直接逼近目标。1.3 哪些场景最需要去雾算法整理这份材料时我优先梳理的是应用场景因为不同场景对去雾算法的约束条件差别非常大。安防监控与智慧交通真实场景多为户外固定机位分辨率不高、算力有限对实时性要求高而且环境雾浓度动态变化。自动驾驶与无人机车载摄像头或无人机挂载相机需要在移动中快速处理既追求低延迟又要求高鲁棒性不能因为偶尔的过曝或伪影影响感知。手机摄影与短视频主观观感优先不能出现明显色偏和伪影处理速度要能支撑拍摄预览。遥感图像与卫星影像以单张离线处理为主可以接受较长的计算时间但颜色保真和边缘细节非常重要。不同场景的约束优先级完全不同这个点后面第五部分会有更细致的选型建议。这里先记住一个结论不存在一个“万能算法”所有方案都是针对特定场景做的取舍。2. 三支主流去雾路线原理与实现要点2.1 暗通道先验最经典的基于物理先验方法暗通道先验是传统去雾方法里最著名、也最容易讲清楚的一条路线。先解释它的原理对于无雾的清晰自然图像在绝大多数局部小区域内总存在至少一个颜色通道的取值非常低甚至接近0。例如彩色物体的阴影、绿色植被、深色路面等都满足这个统计规律。而有雾图像中大气光的散射会显著抬高这些暗像素的数值让整幅图的暗通道值变大。于是通过观测图像的暗通道强度就能反推雾的浓度。具体实现分四步。第一步对每个像素取RGB三通道的最小值再做局部最小值滤波得到暗通道图。第二步估计大气光 A取暗通道中亮度排名前0.1%的像素将这些位置对应到原始有雾图像中取最大值作为 A。第三步计算透射率公式是 t(x) 1 - ω·min_c(min_y(I(y)/A))其中 ω 是保留少量雾感的系数一般取0.9到0.95目的是避免完全去雾后画面整体偏暗、显得很“假”。第四步用导向滤波细化透射率图避免粗糙透射率带来的光晕最后按下式恢复清晰图像J (I - A) / max(t, t0) A。这套流程我当年用Python完整跑过核心代码量不大OpenCV加NumPy就能实现。实测中最直观的问题有两类一是天空区域或白色高亮区域严重违背暗通道先验恢复后会出现明显色斑二是透射率估计太粗糙时物体边缘会有大片光晕。解决办法主要有两个方向一个是做透射率细化比如用导向滤波、加权最小二乘平滑另一个是加入天空区域检测对天空部分单独处理。这些坑和参数敏感点在PPT里我用对比图直接标注出来比纯文字说明直观得多。2.2 深度学习去雾从AOD-Net到FFA-Net如果不想把时间花在精细调参上深度学习路线是当前更主流的选择。我把常见网络分为“显式使用大气散射模型”和“隐式使用大气散射模型”两类。显式建模的代表是DehazeNet和MSCNN。DehazeNet用多尺度卷积提取特征网络输出的是透射率图再结合大气散射模型恢复清晰图像。这种做法保留了物理模型的解释性但中间透射率估计的误差会直接影响最终重建质量。隐式建模的代表是AOD-Net它在工程化场景里非常受欢迎。AOD-Net的思路值得多讲两句它不单独估计透射率和大气光而是把大气散射模型重新整理将透射率和大气光合并成一个中间变量 K(x)让网络直接回归 K(x)再通过一个公式生成去雾结果。因为 K(x) 的估计和图像重建放在同一个网络里联合优化整个模型很紧凑推理速度快非常适合部署在实时视频处理环境。追求更高质量时可以看带注意力机制的FA-Net、GCANet。FFA-Net引入了特征注意力机制对不同区域、不同通道自适应赋予不同权重在浓雾区域的表现明显优于普通的均匀卷积网络。我做实验的感受是深度学习去雾的效果非常依赖训练数据分布用公开数据集RESIDE训练的模型放到真实雾天场景会有一定程度的域偏移画面亮度偏灰或颜色偏暗是常态。因此真实落地时最好用目标场景的少量真实样本对模型做微调否则上线效果会打折扣。2.3 图像增强路线直方图均衡与Retinex第三条路线不基于物理模型而是直接把有雾图像看成普通的低对比度图像来处理。最简单的做法是全局直方图均衡化把灰度分布拉伸到整个范围画面对比度会有明显提升。效果看起来立竿见影但很容易过度增强产生伪轮廓、噪声放大等问题。更常用的是CLAHE也就是限制对比度的自适应直方图均衡。它会将图像划分成小块分别做直方图均衡同时限制对比度的放大倍率能够在增强细节的同时抑制噪声。CLAHE实现简单、速度很快非常适合嵌入式平台。Retinex理论也常被归到这一类核心思想是人眼感知的亮度取决于物体的反射率如果能估计出环境光照分量并把它从图像中分离就能还原物体本来的颜色和细节。单尺度Retinex原理直观多尺度RetinexMSR效果更好但容易出现光晕和色彩偏移通常需要配合色彩恢复MSRCR。这条路线在雾不太浓、纹理较丰富的场景下效果并不差。优势是速度快、实现简单、没有训练成本。但它对浓雾和复杂光源场景的建模能力不足经常出现过曝、细节丢失或颜色不自然的问题。2.4 三种路线横向对比我在PPT里放了一张三路线对比表对快速建立认知和做技术决策都有帮助方法类别代表算法核心原理优点缺点适用场景物理先验暗通道先验基于暗通道统计先验反推透射率和大气光理论清晰无需训练一定泛化能力天空和白色区域易失真边缘光晕参数敏感户外单图离线处理对物理特性有要求的任务深度模型AOD-Net、FFA-Net数据驱动端到端学习有雾到无雾的映射效果好能适应复杂雾况模型可轻量化依赖训练数据存在域偏移需要算力支持实时视频、移动端、自动驾驶感知图像增强CLAHE、MSRCR提升对比度分离光照与反射分量速度快实现简单无需训练浓雾下效果有限容易过曝和色偏轻量级嵌入式设备、实时性优先场景这张表不仅在准备材料时帮我理清了思路也在和算法岗、产品岗同事沟通时提供了统一的对比框架。3. 效果评估与演示材料制作的实操细节3.1 主观评测怎么评才客观很多同学在做算法对比时只看客观数字但图像去雾非常特殊客观指标提升并不代表视觉观感一定好。我在做算法评估时一定会组织主观评测而且评测方式有讲究。第一必须并排展示原图、待评估去雾图、参考清晰图如果数据集中有让评价者能够同时对比避免记忆偏差。第二重点看四个维度雾是否去除干净、颜色是否自然、边缘纹理是否保留、有没有光晕或伪影。第三评价人员最好包含算法工程师和非技术背景的同事后者往往更关注“整张图好不好看”这在实际项目里反而更接近用户的主观体验。3.2 客观指标的计算与取值客观指标一般用PSNR和SSIM。合成雾图有对应的清晰参考图时这两个指标都能直接计算。PSNR基于像素均方误差计算数值越高越好通常去雾结果在20dB以上算是基本可用SSIM衡量图像结构相似性越接近1越好。这里提醒一句有些增强类方法为了刷高分会把画面拉得很亮、对比度拉得很高PSNR确实好看但观感非常假。所以客观指标只能作为参考不能替代人工判断。对于没有参考图的真实雾天图片可以用无参考图像质量评价指标辅助比如NIQE。NIQE数值越小说明图像质量越好但它的统计特征对“是否去雾”并不敏感。在我的测试中NIQE适合用来排除明显较差的方案不能单独作为算法排名的依据。所以我在PPT里更强调“同一批雾图、同一批评价人”的横向对比这样得出的结论误差最小。3.3 用对比图和数据表呈现结论做PPT时我会把每个算法在同一批测试集上的平均PSNR、SSIM做成一个小表同时附上典型图像的对比。数据表不需要太多列四列就够算法、PSNR、SSIM、主观评价备注。留太多列投影时不方便阅读。对比图的版式也很有讲究。原图、去雾图、细节裁剪图建议按“行”排列而不是按“列”排列。因为在宽屏演示场景下横向排列能把同一物体的不同算法结果放在同一视觉水平线附近对比非常直观。局部对比一定要用红框圈出相同区域旁边再放放大图这比把整幅图缩小了硬拼在一起更有说服力。另外对比图不要压缩得太小单图至少保留960像素宽否则投影出来细节根本看不清。4. 做汇报PPT时踩过的几个坑4.1 “发现pptx中有不可读取的内容”怎么修复做这份“图像去雾算法.pptx”时我遇到过一件特别烦心的事文件在自己的电脑上打开正常发到同事那边后弹窗提示“powerpoint发现pptx中有不可读取的内容”。这个提示通常表示pptx文件内部的XML结构出了小问题常见原因有旧版Office编辑后被新版软件改动、第三方插件或外部模板参与编辑、程序异常关闭导致文件损坏。遇到这个提示我的处理顺序是这样的。第一步先用Office自带的“打开并修复”功能打开一次很多小文件结构问题能自动修好。第二步如果修复失败采用手动修复把pptx文件复制一份后缀改成zip解压后用文本编辑器打开ppt/slides/目录下的相关XML查找结构异常或明显不合法的标签。有问题的内容大多集中在某个slideN.xml或嵌入对象里查删除掉报错信息指向的那部分文件后重新压缩、改回后缀名可以用正常方式打开。第三步如果文件本身关联了外部图表或嵌入对象尝试将这些对象删掉再保存。从那以后我养成了重要材料每次保存一个历史版本的习惯这个习惯帮我避免了不止一次大返工。4.2 知道密码但想解除保护的操作关于“pptx密码解除”这个关键词我也经常碰到同事拿着加密文件来问。如果自己知道密码只是嫌每次打开都要输入麻烦操作其实很简单用密码打开文件进入“文件—信息—保护演示文稿—用密码进行加密”把密码框里的内容清空再保存一次密码就解除了。需要留意的是一定要另存为一个新文件再对比确认我见过有人直接覆盖保存后把原文件格式弄乱的例子。如果完全忘了密码没有正规的一键清除方法。我能给的建议是先翻翻本地历史版本、团队共享目录、邮件附件这些地方往往有未加密备份。确实找不到再考虑专业的Office密码恢复工具。这类工具必须在授权合法范围内使用用途务必正当不建议随便折腾。这也是我会在团队里反复提醒的一句话含敏感信息的材料不要只靠文件密码做保护应该从源头控制分发范围和权限。4.3 动画、字体、图片压缩的经验PPT里最容易翻车的三类细节我也简单提一下。动画效果尽量少控制在两三种以内比如“淡入”和“擦除”不要每个元素都闪一下。去雾对比图的展示用“淡入切换”的方式最合适让原图和结果图在新页面上以并列方式呈现而不是在一页里叠一大堆图层。字体方面如果要到别人电脑上演示中文字体尽量用微软雅黑或等线这类系统自带宽字体嵌入字体会显著增加文件体积又容易出现兼容问题。图片必须压缩PPT自带的“图片压缩”功能可以把对比图降到150dpi以内保证整个PPT文件体积可控避免文件太大打不开、传不动。5. 选型建议真实场景里怎么选去雾算法5.1 实时视频监控场景如果是海思平台或嵌入式盒子这类算力有限的设备建议优先试CLAHE再考虑AOD-Net的轻量版本。CLAHE在CPU上能轻松做到1080p实时处理虽然去雾力度有限但胜在稳定、无训练成本。AOD-Net模型小部署到NPU上也不难不过要注意最好用真实监控场景的截图做少量微调再上线使用否则生成的图像容易整体发灰。这个流程我在两个项目里验证过核心思路就是“先定速度上限再在不超过上限的预算内改善质量”。5.2 手机拍照与自动驾驶感知手机摄影追求的是“一眼看上去舒服”建议用成熟的深度学习模型并在后处理阶段加一个简单的颜色校正。因为拍摄场景的光线变化太剧烈暗通道先验在天空或白色建筑区域很容易翻车不如让训练好的网络统一处理全部画面。自动驾驶感知则更特殊。去雾只是前置处理后面还跟着目标检测、语义分割等模型所以必须评估去雾对下游任务指标的实际增益而不是只看PSNR。如果去雾模块让整体推理速度明显变慢就算画质提升也未必划算。这时候可以考虑“选择性去雾”比如对置信度低于阈值的帧才触发去雾处理在整体延迟上通常更友好。5.3 一张决策表收尾我在PPT最后放了一张决策表适合作为团队讨论的起点约束条件推荐方案不推荐方案无GPU、实时性优先CLAHE、简化版暗通道FFA-Net等大模型有GPU、效果优先AOD-Net或FFA-Net微调纯直方图均衡单张离线处理无训练数据暗通道先验导向滤波依赖大量训练数据的模型这张表的意义在于把开放问题变成选项题让团队在项目启动阶段就能快速对齐方向。当然最终效果必须用实际场景数据验证任何算法在没有自己数据支撑的情况下都只能作为候选方案。关于去雾算法的分享讲到这儿我个人最大的体会是别迷信任何单一算法也别只看公开数据集上的数字。真实场景里的雾浓度、光照条件、传感器特性千差万别重要的是理解每种方法背后的物理假设知道它们在什么情况下会失效然后带着自己的数据去验证。图像去雾这个领域方法论迭代很快设备算力也在变强但“模型与场景数据的适配”这件事始终是落地的主线。本文还有配套的精品资源点击获取